توسعه مدل آموزشی مبتنی بر بر یادگیری ماشین (SVM) برای تحلیل سینتیک های زیستی: ارزیابی سمیت نانوچارچوب های نانوگرافنی مزوپور در آموزش علوم پزشکی

در عصر پزشکی داده محور، فقدان پیوند میان آموزش های نظری ریاضیات و کاربردهای عملی آن، به یکی از گلوگاه های اصلی در تربیت پژوهشگران علوم زیستی تبدیل شده است. مدل های پیش بینی کننده مانند رگرسیون بردار پشتیبان (SVR)، علی رغم توانمندی بالا در تحلیل پدیده های غیرخطی، به دلیل دشواری در درک بصری و انتزاعی بودن، در برنامه آموزشی فعلی جایگاه پایداری ندارند. مطالعه حاضر با هدف پر کردن این شکاف، مدلی از آموزش «محاسبات زیستی» را معرفی می کند که محور آن، واکاوی داده های واقعی ناشی از سنتز سبز «نانوچارچوب های نانوگرافنی مزوپور» است. دانشجویان در یک بستر PBL، مجموعه ای شامل ۲۰۰۰ نقطه داده ی زیستی (شامل نرخ زنده مانی، تنش اکسیداتیو و آپوپتوز سلولی) را از طریق الگوریتم های SVR مدل سازی کردند. این فرآیند با تمرکز بر مفاهیم بنیادین شامل بهینه سازی توابع هسته (RBF)، رگولاریزاسیون و اعتبارسنجی متقاطع در پایتون، به دانشجویان اجازه داد تا پیچیدگی های تعمیم پذیری مدل را در عمل تجربه کنند. ارزیابی های آماری نشان دهنده یک تغییر پارادایم در عملکرد آموزشی است؛ به گونه ای که گروه آزمون نه تنها از نظر درک مفاهیم نظری، برتری ۳۲ درصدی نسبت به گروه کنترل کسب کردند (p<۰.۰۰۱)، بلکه در فاز عملیاتی، مدل هایی با دقت به مراتب بالاتر و خطای RMSE کاهش یافته تا سقف ۴۵ درصد ارائه دادند. یافته های این مطالعه ثابت می کند که استفاده از داده های تجربی حاصل از حوزه های پیشرفته نانوتکنولوژی، نه تنها مقاومت ذهنی دانشجویان نسبت به ریاضیات را کاهش می دهد، بلکه سواد محاسباتی آنان را به استانداردهای پژوهشی جهانی نزدیک می کند. این راهبرد آموزشی، به مثابه پلی میان زیست شناسی و علوم داده، الگویی پیشنهادی برای بازنگری در سرفصل های دپارتمان های بیوتکنولوژی پزشکی است.

کلیدواژه ها:

پزشکی داده محور ، مدل سازی ریاضی ، نانوچارچوب های نانوگرافنی مزوپور ، یادگیری ماشین (SVR) ، آموزش نوین پزشکی.